欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Tensorflow 自带可视化Tensorboard使用方法(附项目代码)

程序员文章站 2022-07-10 22:40:34
tensorboard: 如何更直观的观察数据在神经网络中的变化,或是已经构建的神经网络的结构。上一篇文章说到,可以使用matplotlib第三方可视化,来进行一定程度上...

tensorboard:

如何更直观的观察数据在神经网络中的变化,或是已经构建的神经网络的结构。上一篇文章说到,可以使用matplotlib第三方可视化,来进行一定程度上的可视化。然而tensorflow也自带了可视化模块tensorboard,并且能更直观的看见整个神经网络的结构。

Tensorflow 自带可视化Tensorboard使用方法(附项目代码)

上面的结构图甚至可以展开,变成:

Tensorflow 自带可视化Tensorboard使用方法(附项目代码)

使用:

结构图:

with tensorflow .name_scope(layer_name): 

直接使用以上代码生成一个带可展开符号的一个域,并且支持嵌套操作:

with tf.name_scope(layer_name): 
  with tf.name_scope('weights'): 

节点一般是变量或常量,需要加一个“name=‘'”参数,才会展示和命名,如:

with tf.name_scope('weights'): 
  weights = tf.variable(tf.random_normal([in_size,out_size])) 

Tensorflow 自带可视化Tensorboard使用方法(附项目代码)

结构图符号及意义:

Tensorflow 自带可视化Tensorboard使用方法(附项目代码)

变量:

变量则可使用tensorflow.histogram_summary()方法:

tf.histogram_summary(layer_name+"/weights",weights) #name命名,weights赋值 

Tensorflow 自带可视化Tensorboard使用方法(附项目代码)

常量:

常量则可使用tensorflow.scalar_summary()方法:

tf.scalar_summary('loss',loss) #命名和赋值 

Tensorflow 自带可视化Tensorboard使用方法(附项目代码)

展示:

最后需要整合和存储summarywriter:

#合并到summary中 
merged = tf.merge_all_summaries() 
#选定可视化存储目录 
writer = tf.train.summarywriter("/目录",sess.graph) 

merged也是需要run的,因此还需要:

result = sess.run(merged) #merged也是需要run的 
  writer.add_summary(result,i) 

执行:

运行后,会在相应的目录里生成一个文件,执行:

tensorboard --logdir="/目录" 

会给出一段网址:

Tensorflow 自带可视化Tensorboard使用方法(附项目代码)

浏览器中打开这个网址即可,因为有兼容问题,firefox并不能很好的兼容,建议使用chrome。

Tensorflow 自带可视化Tensorboard使用方法(附项目代码)

常量在event中,结构图在graphs中,变量在最后两个tag中。

附项目代码:

项目承接自上一篇文章(已更新至最新tensorflow版本api r1.2):

import tensorflow as tf  
import numpy as np  
  
def add_layer(inputs,in_size,out_size,n_layer,activation_function=none): #activation_function=none线性函数  
  layer_name="layer%s" % n_layer  
  with tf.name_scope(layer_name):  
    with tf.name_scope('weights'):  
      weights = tf.variable(tf.random_normal([in_size,out_size])) #weight中都是随机变量  
      tf.summary.histogram(layer_name+"/weights",weights) #可视化观看变量  
    with tf.name_scope('biases'):  
      biases = tf.variable(tf.zeros([1,out_size])+0.1) #biases推荐初始值不为0  
      tf.summary.histogram(layer_name+"/biases",biases) #可视化观看变量  
    with tf.name_scope('wx_plus_b'):  
      wx_plus_b = tf.matmul(inputs,weights)+biases #inputs*weight+biases  
      tf.summary.histogram(layer_name+"/wx_plus_b",wx_plus_b) #可视化观看变量  
    if activation_function is none:  
      outputs = wx_plus_b  
    else:  
      outputs = activation_function(wx_plus_b)  
    tf.summary.histogram(layer_name+"/outputs",outputs) #可视化观看变量  
    return outputs  
  
#创建数据x_data,y_data  
x_data = np.linspace(-1,1,300)[:,np.newaxis] #[-1,1]区间,300个单位,np.newaxis增加维度  
noise = np.random.normal(0,0.05,x_data.shape) #噪点  
y_data = np.square(x_data)-0.5+noise  
  
with tf.name_scope('inputs'): #结构化  
  xs = tf.placeholder(tf.float32,[none,1],name='x_input')  
  ys = tf.placeholder(tf.float32,[none,1],name='y_input')  
  
#三层神经,输入层(1个神经元),隐藏层(10神经元),输出层(1个神经元)  
l1 = add_layer(xs,1,10,n_layer=1,activation_function=tf.nn.relu) #隐藏层  
prediction = add_layer(l1,10,1,n_layer=2,activation_function=none) #输出层  
  
#predition值与y_data差别  
with tf.name_scope('loss'):  
  loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1])) #square()平方,sum()求和,mean()平均值  
  tf.summary.scalar('loss',loss) #可视化观看常量  
with tf.name_scope('train'):  
  train_step = tf.train.gradientdescentoptimizer(0.1).minimize(loss) #0.1学习效率,minimize(loss)减小loss误差  
  
init = tf.initialize_all_variables()  
sess = tf.session()  
#合并到summary中  
merged = tf.summary.merge_all()  
#选定可视化存储目录  
writer = tf.summary.filewriter("desktop/",sess.graph)  
sess.run(init) #先执行init  
  
#训练1k次  
for i in range(1000):  
  sess.run(train_step,feed_dict={xs:x_data,ys:y_data})  
  if i%50==0:  
    result = sess.run(merged,feed_dict={xs:x_data,ys:y_data}) #merged也是需要run的  
    writer.add_summary(result,i) #result是summary类型的,需要放入writer中,i步数(x轴) 

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。